学习笔记：2025年底参加Vastbase培训感悟（Vastbas.2.2数据库）-关系型数据库）

时间真快，2025年已经成为历史，，回忆过去的一年，2025年底说忙，真不忙，说不忙，乱七八糟的事一堆，说说2025年底参加Vastbase培训感悟

新修改的《网络安全法》2026年1月1日起施行: ——《党的二十大报告》

网络安全是事关国家安全和国家发展的重大战略问题。我国在网络安全和数据安全方面的战略部署包括：一、是加快建设网络强国、数字中国；二、是完善网络安全法律制度，如网络安全法、数据安全法、个人信息保护法等；三、是提升数据安全治理效能，防范数据泄露、窃取、篡改、滥用等风险;四、是推动信息化迈向数字化、网络化、智能化全面跃升的新阶段。 数据安全法、等保2.0、三权分立、DB4AI 、AI4DB向量检索要求更加明确，

对关系型数据库Vastbase（S）说陌生又不陌生，说熟练只能说理解操作些，长时间不用都交给老师，听说年底有海量培训，还有考试卷、抱着试试看的心态听听，老师课讲得真不错，在次感谢社区的王艺昕，于洧龙、赵庆辉等老师组织三天Vastbase 2.2培训，一日为师，终生受益，再一次谢谢老师

Vastbase是海量数据基于开源openGauss内核开发的企业级关系型数据库。融合了多年对各行业应用场景的深入理解， Vastbase除了具有openGauss极致的性能以外，还在其原有功能基础上增加了大量对Oracle、MySQL与PostgreSQL的兼容 特性、提供了极佳的业务连续性保障、并遵循EAL4+标准进行了大幅度的安全增强、同时整合GIS空间组件等一系列专业应用领 域的企业级功能，为用户数据库选型提供更高性价比

2025年最后一天参加了培训考试，相关的证书：

Vastbase 的“DB for AI”核心思想是将AI能力内置于数据库引擎中，使开发者能够直接使用熟悉的SQL语言来调用复杂的AI算法，进行模型训练、推理和向量检索，从而降低AI应用开发的门槛和复杂度。这主要通过 DB4AI 和 向量检索 两大核心能力来实现：

一、DB4AI：通过SQL直接调用AI算法

DB4AI 允许在数据库内部直接执行AI计算，无需将数据导出到外部AI平台，实现了数据与AI的无缝集成。这主要通过内置的AI算法包和SQL函数接口来实现。

1.内置行业AI算法包 Vastbase 在数据库内核中集成了特定行业的AI算法，并封装成SQL函数供用户直接调用。例如，提到了一个人脸识别算法的集成示例，它被封装成一个名为 face_detect() 的SQL函数。

l函数功能：输入一张图片的路径，函数会输出图片中识别到的人脸数量。

l内部流程：该函数内部调用了 DetectFace、ExtractFeature、FeatureCompare 等一系列底层AI算法函数，完成了从图像处理、特征提取到特征比对的全过程。

lSQL调用示例：

-- 假设存在一个存储图片路径的表 images

SELECT image_path, face_detect(image_path) AS face_count

FROM images;

这条SQL语句会遍历 images 表中的每张图片，并直接返回每张图片中的人脸数量，整个过程在数据库内部完成，无需外部程序介入。

二、原生向量检索：为AI应用提供高效数据基座

“DB for AI”的另一个关键支撑是原生向量引擎。Vastbase 向量版专门为处理高维向量数据（如图像、文本的嵌入表示）而优化，支持高效的相似性搜索，这是构建RAG（检索增强生成）、推荐系统等AI应用的基础。

1.创建向量表与索引 要使用向量检索功能，首先需要创建包含向量列的表，并为该列创建特定的向量索引以加速查询。

l创建包含向量列的表：

-- 示例：创建一个知识库文档表，其中embedding列用于存储文本的向量表示

CREATE TABLE docs (

id SERIAL PRIMARY KEY,

chunk TEXT, -- 文档片段

url VARCHAR(255), -- 来源链接

embedding VECTOR(1536) -- 假设使用1536维的向量

);

l创建向量索引：Vastbase 支持多种索引类型以适应不同场景，如IVF（倒排索引）、HNSW（基于图的索引）和DiskANN（磁盘索引）。

-- 示例：为embedding列创建HNSW索引（假设语法）

CREATE INDEX idx_docs_embedding_hnsw ON docs USING hnsw (embedding);

2.执行向量相似性检索 向量检索的核心是计算查询向量与库中所有向量的距离，并返回最相似的Top-K个结果。Vastbase 通过扩展的SQL操作符来支持这一操作。

l基本检索语法：以欧氏距离（L2距离）为例，其SQL语句结构如下：

sql

SELECT

id,

chunk,

embedding <-> '[0.1, 0.2, 0.3, ...]' AS distance -- 计算距离

FROM

docs

ORDER BY

distance -- 按距离排序，越近越相似

LIMIT

10; -- 返回最相似的10条记录

l操作符说明：

§<->：代表欧氏距离（L2距离）。

§<#>：代表内积（点积）距离。

§<=>：代表余弦相似度距离。

l混合查询（向量+标量过滤）：Vastbase 支持在向量相似性搜索的同时，结合传统的标量（关系型）条件进行过滤，这是其“关系模型+原生向量引擎”混合能力的体现。

-- 示例：在知识库中，不仅要求语义相似，还要求来源URL是特定的

SELECT

id, chunk, url,

embedding <-> '[10, 2.0, ..., 1536.0]' AS distance

FROM

docs

WHERE

url LIKE '%policy%' -- 标量条件过滤

ORDER BY

distance

LIMIT 5;

三、技术优势与实战价值

Vastbase 的“DB for AI”为企业带来了显著价值：

1.降低开发门槛：学习新的查询语言或复杂的AI框架API，使用熟悉的SQL即可构建AI应用，学习成本低。

2.提升开发效率：实现了“语义匹配+条件过滤”的同步执行，告别了以往需要先在向量库中做相似性检索，再将结果在关系库中进行二次过滤的冗余开发流程。

3.保障数据安全与性能：数据无需离开数据库即可完成AI计算，避免了数据迁移带来的安全风险和性能开销。同时，其并行索引构建、PQ量化压缩等技术保障了亿级向量数据下的检索性能。

总结来说，Vastbase V2.2 的特性，通过将AI算法封装为SQL函数、以及提供原生的高效向量检索SQL语法，真正将数据库变成了一个能够直接支撑AI应用开发的智能数据平台。 这使得企业能够更快速、更安全地将大模型、智能推荐等AI能力集成到自己的业务系统中，加速智能化转型，能高效地帮助政府、医疗、教育、制造业等大客户满足最严苛的合规要求，并且已经有很多成功案例